Comment former correctement les valeurs d'entrée pour le NS.

 

Des questions sur les valeurs correctes des entrées NS reviennent régulièrement sur le forum. Mais malheureusement, cette question n'a pas encore trouvé de réponse complète. Je ne me suis mis à la NS que récemment et je comprends maintenant l'importance de cette question. J'envie les personnes qui ont reçu un enseignement théorique dans des instituts et qui possèdent ces connaissances.

C'est pourquoi, dans cette branche, ouvrons le plus complètement possible la question des valeurs DROITES et de leurs types.

Je ne veux simplement pas commencer par les détails (comme prendre les différences de prix entre voisins). Pour commencer, une théorie sur les exigences générales des valeurs d'entrée est souhaitable. Et puis, si tout se passe bien, des exemples sont également possibles.

 
            |               *      *
            |          *
            |      * 
            |    *
            |  *
            | *
            |*
-----------------------1---------------
           *|
          * |
         *  |
       *    |
     *      |
  *         |
Si la sigmoïde entre en saturation avec une valeur d'entrée de 1, cela ne fait aucune différence que la valeur d'entrée soit 2 ou 3 - le résultat est à peu près le même. Les valeurs d'entrée doivent être comprises entre 1 et 2. Il ne doit pas y avoir d'échantillons contradictoires - la même valeur d'entrée avec une valeur de sortie différente.
 
J'espère que cela vous aidera
Dossiers :
bfgzk.zip  201 kb
 
sergeev писал (а) >>

... J'envie les personnes qui ont reçu un enseignement théorique à l'université et qui possèdent ces connaissances.


>> il n'y a rien à envier ici, au cours du dernier millénaire j'ai également étudié à l'université, et avant cette matière était appelée plus modestement, en termes soviétiques : TAP..., au mieux,

ils/les enseignants/ feront des nouilles de leurs oreilles pour lire des heures... ils n'iront pas plus loin que 2-3 pages de chaque section d'un manuel typique !!!

 

2 StatBars Merci beaucoup pour ces articles.


Integer писал (а) >>

Si la sigmoïde à la valeur d'entrée 1 entre en saturation, alors il n'y a pas de différence entre appliquer la valeur 2 ou 3 à l'entrée - le résultat sera à peu près le même. Les valeurs d'entrée doivent être comprises dans une fourchette de 1. Il ne doit pas y avoir d'échantillons contradictoires - la même valeur à l'entrée et une valeur différente à la sortie.

Qu'en est-il des entrées non normalisées à un ? Peut-on utiliser la sigmoïde ou d'autres fonctions sont-elles nécessaires ?

 

Integer писал (а) >>
Конфликтных образцов не должно быть - одинковых значений на входе с разным значением на выходе.


Il s'avère qu'il est préférable d'avoir plus d'une valeur à la sortie (c'est-à-dire de classer le marché non seulement en hausse ou en baisse, mais aussi avec certains états intermédiaires). Et plus sur les entrées.

 
Vous devez normaliser les données d'entrée. Par exemple, trouvez un échantillon avec la gamme maximale et utilisez-le pour normaliser et enlever la composante constante. Il y a ici un large champ de créativité. Par exemple, vous pouvez calculer les valeurs par rapport à la MA ou à la ligne de régression, puis les normaliser. Il est également possible de normaliser chaque échantillon séparément, par rapport à sa gamme maximale.
 
Integer писал (а) >>
Vous devez normaliser les entrées. Par exemple pour trouver un échantillon avec une gamme maximale et le normaliser, et pour enlever la composante constante. Il y a ici un large champ de créativité, par exemple vous pouvez calculer les valeurs par rapport à МА ou par rapport à la ligne de régression, puis normaliser. Chaque échantillon séparément, par rapport à sa gamme maximale, peut également être normalisé.

Oui, d'ailleurs, c'est bien que tu en parles. Je continue à me demander comment il serait plus correct (selon votre expérience) de rationner - un échantillon par lui-même ou au total sur tous les échantillons ?


J'ai décidé de renommer la branche.

 
Je viens seulement de penser au rationnement par rapport à l'échantillon global. Je pense que c'est mieux - le filet prendra en compte la taille absolue de l'échantillon et pas seulement la forme, mais cela prendra probablement plus de temps à apprendre.
 

Je suis parfois enclin à arriver à cette conclusion aussi. Il s'avère qu'il suffit de compresser les données et que le problème des données non normalisées est supprimé.

Il y a aussi le problème des poids qui se heurtent à des valeurs d'entrée nulles. Ils ne participeront pas à la formation...

 
sergeev писал (а) >>

Il y a aussi le problème des poids qui atteignent des valeurs d'entrée nulles. Ils ne participeront pas à la formation...

Oui. Il s'avère qu'une entrée sera toujours nulle (sur la première). Vous pourriez supprimer le premier élément de tous les échantillons et en ajouter un autre à la fin.

Raison: